baple

用提示学习给医学AI模型植入后门，验证安全漏洞

BAPLe 是 MICCAI 2024 的官方开源代码，研究医学基础模型的后门攻击方法。它利用提示学习（Prompt Learning）在医学视觉-语言基础模型（如 CLIP）上植入后门，证明恶意微调或使用恶意预训练模型可能带来严重安全风险。项目提供完整的攻击流程、训练脚本和评估工具，帮助研究人员复现论文实验，并进一步探索医学 AI 模型的鲁棒性与安全性。核心能力包括：构造带有触发器的恶意样本、通过提示学习高效注入后门、在多个医学数据集上验证攻击成功率。该项目面向 AI 安全、医学影像分析和可信机器学习领域的研究者，旨在揭示医学基础模型的潜在漏洞，推动防御机制的发展。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 57

维护状态低维护

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队asif-hanif

所属国家

官网地址https://asif-hanif.github.io/baple

GitHubhttps://github.com/asif-hanif/baple

定价模式free

价格说明开源项目，MIT许可证，可自由使用和部署，无付费版本。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型backdoor-attacks,foundation-models,prompt-engineering

GitHub 星标★ 57

30天Star增速

HF 下载量

上线时间2024-08-11 00:00:00

最近更新2026-07-31 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数7

使用教程

核心亮点

官方代码，完整复现 MICCAI 2024 论文实验
实现提示学习攻击，方法新颖且高效
提供多个医学数据集上的攻击评估脚本

不足之处

仅支持特定模型和数据集，通用性有限
文档较简略，社区贡献和示例较少
依赖特定环境配置，上手门槛较高

适用场景

医学AI安全研究：评估基础模型对后门攻击的脆弱性
鲁棒性测试：在医学影像分类任务中检测模型防御能力
学术复现：作为基准方法对比新的攻击或防御策略

替代项目

BackdoorBench、TrojanZoo、PromptBackdoor

项目介绍

baple 是评测安全领域的开源项目，由 asif-hanif 开发，2024 年首次发布。

它收录于评测安全分类，该分类目前共有 467 个项目，GitHub 星标数为 57。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-07-31。MIT许可证，可自由使用和部署，无付费版本。

它主要面向的使用场景是：医学AI安全研究：评估基础模型对后门攻击的脆弱性。同类可对比的替代方案包括 BackdoorBench、TrojanZoo、PromptBackdoor。

上一篇：CVPR_2025_Oral_Paper_List

下一篇：rhesis